本文转载自今日头条，头条号：“兴业研究”。

2023年，中央金融工作会议提出了数字金融这一概念。考虑到发展数字金融目的在于金融更好地服务经济发展，因此数字金融应为数字经济在金融领域的映射，其中包含三层次内涵：一是在资源运用层面，重点开发数据要素价值；二是在技术运用层面，深度应用金融科技；三是在展业模式层面，全面创新数字化金融业务模式和渠道。展望未来，银行数字金融大文章谱写将从以下三个方面展开：

第一，在数据要素价值的开发利用方面，取数、管数、用数能力将成为银行的核心竞争力。数据要素生态的建设改善了银行获取外部数据的环境，不过在取数之后，随着银行开展业务对数据的依赖程度越来越高。银行还需要在以下几个方面提升管数与用数能力：一是简化数据引入流程，做到“取数有速度”，快速响应业务部门数据需求。二是建立数据筛选准入机制，做到“取数有选择”，引入估值技术法辅助数据产品筛选。三是充分引入外部数据，做到“用数有来源”，形成数据总量到业务应用的势能储备。四是推进外部引入数据的贯标，做到“管数有标准”，保持数据标准统一。五是鼓励业务部门用数，做到“用数有落地”，打通数据从引入、到管理、到应用的全流程。

第二，在金融体系对金融科技的应用方面，金融科技应用将从全面发展进入“啃硬骨头”的阶段。一是生成式人工智能将成为未来银行数字化经营水平持续提高的重要技术领域。二是随着数据要素市场的完善，引入外部数据的便利性增加，隐私计算的应用场景将更多的集中于金融机构间的数据共用。三是生成式人工智能的出现加速了人工智能监管的收紧与全球合作趋势，对于金融行业来说，应及早应对可能到来的人工智能强监管。

第三，在金融机构业务模式和渠道全面创新方面，数字人民币将成银行“新阵地”。当前数字人民币由试点转常规最重要的关卡或在于数字人民币需要帮助运营体系内的各个运营机构建立稳定的盈利模式与利益分配体系，以调动各参与方的推广积极性。在国际上，对于零售型央行数字货币盈利模式的探讨主要集中在支付服务费的收取。对于商业银行而言，推广数字人民币将存在以下业务机会：一是收单业务增厚银行支付业务利润，不过具体利润规模取决于未来数字人民币交易手续费的厘定。二是拓展数字人民币相关业务，将有助于丰富银行结算性负债。三是基于数字人民币的支付业务，商业银行将可以构建丰富的金融服务生态，进而可以获得交易信息以提升商业银行的授信能力。四是创新智能合约应用，拓展盈利模式。五是数字人民币与碳账户的结合。

2023年10月30日至31日，中央金融工作会议在北京举行，提出了要做好“科技金融、绿色金融、普惠金融、养老金融、数字金融”五篇大文章的总要求。我们此前在11月26日发布的报告《数字金融：内涵与机遇》

由于发展数字金融的目标是为了金融体系更好地服务经济发展，因此数字金融应为数字经济在金融领域的映射，发展数字金融也是金融服务经济和社会数字化转型的必然要求。数字金融这一提法的出现与数字经济高速发展、经济和社会的数字化转型密不可分，因此数字金融的定义和内涵也应当与数字经济息息相关。

结合此前官方文件或学术界对数字金融的描述，广义来看，数字金融应是一个兼容并包的概念，且相对与数字经济的相关概念存在相应对应关系，具体来看主要包括三个方面：

一是在资源运用层面，主要指的是数据要素价值的重点开发。该层面的含义与数字经济定义中“使用数字化的知识和信息作为关键生产要素”的内容大体对应。

二是在技术运用层面，主要指金融体系对金融科技的深度应用。该层面的含义与数字经济定义中“现代信息网络作为重要载体”的内容大体对应。

三是在展业模式层面，数字化金融业务模式和渠道的全面创新。该层面的含义与数字经济定义中“以信息通信技术的有效使用”的内容大体对应。

应当指出的是，由于数字与金融的复杂相关性，上述对应关系并非一一对应，存在一定的交叉。

从数字金融所涵盖的三个层面内容来看，三个层面内容之间存在着递进关系，数据资源是数字金融的基础，金融科技运用是数字金融能够实现的重要支撑，而金融业务模式的创新则是数字金融呈现在居民和企业等各类主体面前的最终表现。

数字金融概念的提出意味着金融领域的数字化被提到新的高度。结合数字金融的三层次内涵，展望未来，银行的数字金融大文章谱写将从以下三个方面展开：第一，在数据要素价值的开发利用方面，取数、管数、用数能力成为核心竞争力。第二，在金融体系对金融科技的应用方面，金融科技应用将从全面发展进入“啃硬骨头”的阶段。第三，在金融机构业务模式和渠道全面创新方面，数字人民币将成银行“新阵地”。

随着数据要素市场加速建设，商业银行外部取数的环境逐步得到优化。2023年，我国各省均将数字经济作为产业布局与发展的重要一环进行部署，提出数字经济核心产业增加值占比目标基本处于8%-20%的区间。数据作为发展数字经济的基础要素，其交易市场的发展对数字经济的发展至关重要，因此，全国各地纷纷加快数据要素市场的建设，主要体现在以下两个方面：

一方面，数据交易规模逐渐扩大，数据交易合规性增强。截至2023年6月底，据不完全信息统计，全国共有数据交易平台44家，涉及全国30多个省、市或者地区，根据各数据交易所对于自身的目标和定位，已初步形成国际数据交易枢纽、国家级数据交易所、区域级数据交易中心与行业级数据交易平台的分层架构。据媒体报道，截至2023年9月27日，深圳数据交易所与广州数据交易所累计交易额近60亿元

另一方面，公共数据授权运营试点逐渐增多，可以合规交易和流通的数据逐步增多。据不完全统计，截至2023年10月，共有30个省市出台了政务数据或公共数据管理办法（以下统称为“公共数据管理办法”），共涉及15个省份，其中有22个监管文件在2023年集中出台，显示出各地对公共数据应用的重视。此外，公共数据涉及的类型更加丰富，除应用较多的社保、医疗、公积金等数据类型外，多个省市的公共数据管理办法涉及文旅、交通、教育、地理信息等多维度的数据；更有部分城市开放其特色数据，如上海涉及生产制造与航运物流，杭州涉及商贸物流等。

对于商业银行来说，在外部取数环境得到优化的大背景下，应相对应得强化自身取数能力，至少应从以下两个方面着手：

一是简化数据引入流程，做到“取数有速度”。引入数据的根本目的是服务于业务部门的业务需求，其中主要集中在风控与营销两大场景。风控对数据的需求更有计划性，而营销场景下对数据的及时性要求更高，这要求快速引入外部数据以响应业务部门的数据需求。鉴于各地数据交易所拥有相对独立的数据交易制度，对于全国性银行来说，一方面，应简化内部数据引入的发起流程，缩短审批时间。另一方面，应由总行牵头，各分行与当地数据交易所达成数据产品快速交易、快速流转的工作机制。

二是建立数据筛选准入机制，做到“取数有选择”。一方面，当前我国数据交易市场仍相对分散，数据产品品类复杂，质量参差不齐，即使经过数据交易所的初步审核，数据质量较双边交易有所提升，但仍无法保证数据能完全满足业务需求，或确保该数据可以带来足额的附加价值。另一方面，采购数据产品的成本较高，重复引入、错误引入低质量的数据产品，不仅造成资源浪费，更会耽误业务开展。因此，未来全国性商业银行应考虑在总行层面建立数据筛选准入机制，统筹各业务条线、各分行的数据需求，在全国的数据交易所内进行数据筛选，综合考量数据来源、数据质量以及数据可能带来的价值，引入最合适的数据产品。此外，还可建立数据产品反馈机制，对已引入的数据产品，进行后反馈，以优化后续的数据筛选。值得注意的是，数据产品筛选与数据资产的估值在方法论上存在一定的相似性，在早期数据资产估值方法不成熟的阶段，还可以引入估值技术法辅助数据产品筛选。

数据要素生态的建设改善了银行获取外部数据的环境，不过在取数之后，银行“管数”与“用数”的能力才将是银行在数字金融发展过程中的核心竞争力。

近年来，在业务竞争逐步激烈的环境下，银行强调以客户为中心、深入挖掘各类客户的需求与价值，而数据正是银行做到“千人千面”服务客户的基础。在当前银行业竞争逐步加剧的大背景下，银行需要逐步的满足广大客群的个性化需求，而银行的服务也逐步由提供金融产品延伸拓展到了客户旅程的全流程，从而需要更准确的把握客户的需求。在此过程中，就需要通过数据进行精准的客户画像，实现将合适的产品在恰当的场景，推荐给正确的客户。

以零售领域的财富管理业务为例，智能投顾是解决长尾客户“千人千面”财富管理需求的可行方案。一方面，智能投顾可以提升投顾业务的效率，不同智能程度的智能投顾将在不同程度上解放人工投资顾问，第一层次是全自动服务的智能投顾，智能投顾将完全负责客户资产的配置和调整。第二层次是部分自动服务的智能投顾，此类智能投顾仅负责生成符合客户的具体投资组合建议。第三层次是客户自主投资的智能投顾，智能投顾仅生成对客户的总体投资建议。另一方面，智能投顾以低成本向普通居民提供优质的投顾服务，智能投顾由于自动化算法边际成本几乎为零的特性，可以极大的降低投顾服务的门槛，从而实现规模经济。因此智能投顾是推动服务长尾个人客户，助力普惠金融的重要方式。

实现高质量的智能投顾需要对数据的深度利用。一方面，是客户数据的深度应用，需要对客户进行精准画像，通过问卷等形式收集客户数据，精准刻画其风险偏好、收益预期、投资风格等要素后，才能针对性地设计出合适该客户的投资方案。另一方面，是金融市场数据的深度应用，智能投顾机构需要具备优秀的量化投资能力，对各类资产标的的价格走势进行预测，进一步进行自动调仓，以契合客户的需求。应当指出的是，我国目前的智能投顾最后所能提供的投资方案仍以相对固定的投资组合为主，智能投顾以提供投资建议、设计投资方案而非全自动调仓为主，即使全自动调仓的智能投顾产品，主动调仓频率仍处于较低水平。未来随着投资标的扩容，投资策略组合的进一步丰富，我国智能投顾的智能化程度有望进一步提高。

智能化财富管理仅是银行深度应用数据的一个业务场景，零售、对公、企金的场景均存在数据的深度应用需求，因此，银行需要在以下几个方面提升管数与用数能力：

一是根据当地产业特色和产业情况，充分引入外部数据，做到“用数有来源”，形成数据总量到业务应用的势能储备。充足的数据储备是数据应用的前提，引入丰富多样的数据有助于业务前端创新。鉴于各省市公共数据独立运营，各数据交易所上架数据也以地域划分为主，因此应由各分行牵头，参与当地的数据要素市场交易，积极引入当地的公共数据，提升零售与对公信贷服务质效。在引入数据的类型上，除较为成熟的社保、公积金数据外，各分行可以结合当地产业特色和数据交易所授权转让的具体产品，探索引入文旅、交通、物流、地理等多方面数据。例如，可针对性地引入仅上海市授权运营的生产制造、航运物流、养老等公共数据，以及浙江省的科研、海洋等公共数据。

二是推进外部引入数据的贯标，做到“管数有标准”。由于目前数据要素市场相对分散，尚无法形成覆盖全国范围的数据产品，而在全国统一大市场下，跨地域企业不断增多，银行面临着跨区域授信场景，对覆盖全国范围内的统一数据有着强烈需求。在分行采购当地数据的基础上，总行应在引入的同时进行贯标，保持数据标准统一，同时同步进行全国范围内同类别数据的整合工作，形成数据规模优势。

三是鼓励业务部门用数，做到“用数有落地”，打通数据从引入到管理、应用的全流程。数据最终应服务于业务部门，数据的需求、数据质量的评价也应由业务部门做出。数据需求的产生，到数据的正式应用，中间需要经过漫长的引入、贯标以及治理等过程。银行，一方面要鼓励业务部门多应用数据，根据实际情况提出数据需求，评价数据资源质量。另一方面，要简化数据从引入到应用的流程，快速响应数据需求，保障数据的及时性。

金融稳定理事会（Financial Stability Board）此前，金融科技的应用已在我国银行业多方面铺开，未来金融科技应用将从全面发展进入“啃硬骨头”的阶段。

生成式人工智能有潜力在多领域引导变革，涉及金融、教育、互联网搜索与推荐、医疗、制造等领域。生成式人工智能，是指基于算法、模型、规则生成文本、图片、声音、视频、代码等内容的技术。在金融领域的智能客服、智能投顾、风险控制，教育领域的课程定制、资源推荐，医疗领域的智能诊断、健康数据管理、医疗图像识别，互联网领域的智能搜索，制造领域的质量控制、生产计划制定、设备维修计划制定等方面，生成式人工智能均具有较大的应用空间。

生成式人工智能将成为未来银行数字化经营水平持续提高的重要技术领域。金融业拥有海量数据，是非常适合生成式大模型的应用领域。国际上，金融业对生成式人工智能的应用可以分为两种模式：一是合作模式，摩根士丹利（Morgan Stanley）正在测试 OpenAI 的ChatGPT在利用该银行庞大的研究资料与数据库的能力，最终服务于财务顾问（Financial Advisor）二是自行开发模式，摩根大通（JPMorgan）正在开发一种与ChatGPT类似的软件服务，该服务依靠颠覆性的人工智能形式为客户选择投资，摩根大通在2023年5月份申请了一款名为 IndexGPT 的产品的商标.

在国内，我国商业银行对生成式人工智能的运用主要采取合作模式，2023年以来，已有多家国内银行探索生成式人工智能在银行中的应用，但仍处于雏形阶段。2023年以来，兴业银行、邮储银行、中信银行、百信银行、新网银行、众邦银行、苏州银行均宣布成为百度文心一言的生态合作伙伴。

2024年，生成式人工智能落地金融行业将持续提速，不过受制于采购成本、私有化部署训练难度、数据治理能力、技术实力等，资本实力较强的全国性银行或将成为主力军。

中国工程院院士、复旦大学金融科技研究院院长柴洪峰认为随着监管逐渐完善，生成式人工智能在金融业落地只是时间问题。但囿于科技伦理风险与数据安全风险，短期内生成式人工智能仍不会直接面向客户，而是更多的以助手形式提升金融机构内部工作质效。

应当指出的是，数字员工是银行数字化转型成果的集中化体现，也是生成式人工智能的应用场景之一。麦肯锡在2021年给出数字员工定义，指出其是打破人与机器边界，以数字化技术赋予“活力”的第四种企业用工模式。数字员工的本质为基于流程自动化的软件服务，可以从事批量、重复的工作，典型场景为智能客服。IDC在《银行数字科技五大趋势》中预测，到2025年，超过80%的银行都将部署数字员工，承担90%的客服和理财咨询服务。应当指出的是，智能投顾也是数字员工的应用场景之一，基于算法进行的智能化、自动化投资便是一种“数字投资顾问”。

生成式人工智能的出现将赋予数字员工更大的想象空间。当前，数字员工的部署仍需预先设置规则，算法按照规则进行后续操作，不具备智能的“思考能力”，更多的是一种辅助工具。未来，随着监管的完善、数据治理能力的提升、生成式人工智能的成熟，智能数字员工将大规模部署，其或将不局限于流程自动化的服务，数字员工将具有更强的创造性，可以在资料搜索、代码编写、财务分析等领域提高企业生产力。

隐私计算的适用场景需要在数据不出域的情况下实现模型训练。随着《数据安全法》《个人信息保护法》的颁布施行，在高度强调数据安全的前提下，隐私计算可以实现数据“可用不可见”，尤其适合金融机构无法公开自身数据却对外部数据有着较强需求的应用场景。2022年1月6日，国务院印发《要素市场化配置综合改革试点总体方案》，提出“探索原始数据不出域、数据可用不可见的交易方式”。隐私计算至少包含三种核心技术，即多方安全计算、联邦学习与可信执行环境，各项技术在发展过程中不断交叉融合，共同形成隐私计算生态。因此，凡是在多方参与的数据共享与计算中保障数据安全的数据手段均可视为隐私计算范围。

但随着数据要素市场的完善，引入外部数据的便利性增加，隐私计算的应用场景将更多的集中于金融机构间的数据共用。一方面，对于金融行业来说，金融数据安全等级较高，向外流通存在挑战。《个人信息保护法》中将金融账户信息归属于敏感个人信息，只有在具有特定的目的和充分的必要性，并采取严格保护措施的情形下，个人信息处理者方可处理敏感个人信息，并应在事前取得个人的单独同意。另一方面，金融机构将客户数据视为核心资产，较难做到与其他金融机构直接进行数据共享。而由于数据在使用中具有典型的规模效应，规模越大、维度越多，数据的商业价值越高，金融机构间有引入其他金融机构数据的内在需求。

在上述情况下，金融机构间的数据可用不可见将是隐私计算的主流应用方向。中国银联金融科技研究院撰文指出

一是安全求交，指原始数据不出域的情况下，通过密码学的技术实现交集运算，一般在联合营销或者联合建模等场景中使用，可在不提供用户ID的情况下，寻找出双方共有的用户。

二是匿名查询，指在数据查询的过程中，向提供数据查询的服务方隐藏具体查询对象，主要用于黑名单共享或者一些司法场景。如：在标签查询场景中，银行向某外部机构查询某用户的标签信息，但外部机构并不知晓哪个用户被查询，从而保护了银行的客户信息。

三是联合分析，指原始数据不出域的前提下，通过密码学等方式进行联合统计、应用及计算。如：在跨行业经济指标分析，消费行为分析等场景中应用，实现不知晓具体用户数据的情况下得到统计分析结果。

四是联合建模，指原始数据不出域的情况下，利用多边数据进行模型训练，主要涉及横向联邦、纵向联邦两大类。横向联邦（Horizontal Federated Learning）是数据特征维度相同，将各方拥有的数据样本横向融合以增加数据量。可以用于银行间的客户数据进行融合，实现各方数据不出库的情况下共同构建反洗钱侦测模型。纵向联邦（Vertical Federated Learning）是数据观测样本的主体相同，将各方拥有的特征维度纵向融合以增加数据量。可以用于反欺诈、精准营销为例，银行可通过引入外部数据源联合建模来提升模型效果。

目前，囿于多方加入的隐私计算在成本付出、收益分配与数据安全等方面仍存在待解难题，隐私计算的实施仅零散落地。我国银行对隐私计算的运用较为代表性的机构包括农业银行、建设银行等，其中农业银行在2022年财报中表示，已落地企业级隐私计算平台，且验证与第三方平台互联互通。

未来，随着数据保护制度的进一步落实，以及金融机构对外部数据的更大需求，隐私计算的大规模应用或将实现。

一方面，科研成果快速增长，技术积累已达到一定水平。根据隐私计算联盟在2023年1月28日发布的《隐私计算白皮书（2022年）》隐私计算的技术积累已达到一定程度，我国在隐私计算领域的技术积累处于全球领先地位。

另一方面，国内隐私计算标准制定工作取得进展。2019年以来，中国通信标准化协会、全国信息安全标准化技术委员会针对隐私计算的应用要求与测试发放已发布多项指南。在金融领域，也发布了隐私计算应用的垂直行业规范，例如，全国金融标准化技术委员会在2020年11月发布《多方安全计算金融应用技术规范》，中国支付清算协会在2021年6月发布《多方安全计算金融应用评估规范》。

在隐私计算的技术要求、测试方法与应用规范指导下，信通院自2018年开始“可信隐私计算评测”项目。2022年12月，信通院公布了第七批可信隐私计算评测结果，共计35个产品通过了本批评测。参与企业绝大多数为科技企业，较为代表性的有蚂蚁区块链科技，其有6个产品通过评测。未来，或有更多金融机构参与隐私计算产品的开发。

2023年11月17日至23日，OpenAI经历了创始人被罢免、董事长辞职、创始人加入微软、员工联合对抗董事会、创始人回归等一系列事件，背后的根本原因正是OpenAI董事会对生成式人工智能加速商业化与坚守科技伦理之间的矛盾激化。

此前，2023年11月1日至2日在英国举行了首届人工智能安全峰会（AI safety summit），包括美国、中国的28个国家与欧盟共同签署联署了关于人工智能国际治理的《布莱切利宣言》从人工智能技术的本质和运用来看，人工智能带来的风险是国际性的，因此，人工智能监管应强化国际合作。

在欧盟，其早在2021年4月就推出了《人工智能法案》草案，2023年5月，欧盟人工智能监管立法提速，欧盟立法者委员会通过《人工智能法案》的谈判授权草案，新增有关面部识别、生物识别监控和其他AI应用使用规则，并提出需要对ChatGPT等生成式人工智能严格监管。2023年12月8日，欧盟委员会、欧洲议会和27个成员国的代表就《人工智能法案》达成了三方协议，最终版本将于近期发布。

在美国，2023年4月11日，美国商务部下辖咨询机构国家电信与信息管理局（National Telecommunications and Information Administration，NTIA）就“AI问责机制”（AI Accountability）相关监管问题向社会各界征集意见，NTIA将据此起草AI问责政策相关报告。目前，美国在人工智能监管方面仍处于起步阶段，在是否需要一个全新的联邦机构来专门负责人工智能监管、是否需要进行与欧盟类似的全面人工智能监管立法等议题上仍然存在争议。

我国金融领域的人工智能监管规则完善或已至出台前夜。此前，《人工智能法草案》已列入国务院2023年立法工作计划。而在2023年11月10日公开的金融监管总局三定方案中，新设科技监管司，负责拟定相关信息科技风险监管制度并组织实施，并按分工承担网络安全、数据安全、关键信息基础设施监管等工作。

对于金融行业来说，应及早应对可能到来的强人工智能监管，主要集中在以下三个方面：

第一，数据使用合规，个人隐私保护与数据安全是监管重点。我国目前已形成《网络安全法》、《数据安全法》与《个人信息保护法》三大法为主的法律框架，结合《民法典》、中央和地方性法规及规章、司法解释和规范性文件，数据安全法律法规的四梁八柱已相对健全。随着数字经济的进一步发展，数据相关的法律执行将会逐步厘清企业合规使用数据的边界，具体来看，企业合规使用数据的关注点应主要集中在以下几个方面：

一是数据获取。金融机构获取数据主要分为两个途径，自主收集客户数据与引入外部数据。在自主收集客户数据方面，《个人信息保护法》规定“收集个人信息，应当限于实现处理目的的最小范围，不得过度收集个人信息”。四川德阳旌阳区法院在2022年判定“扫码点餐收集个人信息”为过度收集个人信息在引入外部数据方面，金融机构或应更多从各地大数据交易所购买数据资产，逐步减少从第三方直接购买的数据。这是由于，第三方的数据资源在数据收集与流通交易等过程中更可能存在合规瑕疵，进而影响金融机构对数据的合规使用。与之相对应，全国各地的大数据交易所，通常会对上架的数据产品进行合规审核。例如，深圳数据交易所规定数据标的上架需进行事前信息披露，披露数据商品描述、来源审核、应用行业与场景以及商品提供方等信息，上架前均需经过5个工作日的信息公示，期间可对数据商品的合法合规性提出异议。

二是数据使用。《个人信息保护法》中规定金融账户、生物识别、医疗健康等数据属于敏感个人信息，处理敏感个人信息应当取得个人的单独同意。2021年11月14日，网信办发布《网络数据安全管理条例（征求意见稿）》，其中定义单独同意是指数据处理者在开展具体数据处理活动时，对每项个人信息取得个人同意，不包括一次性针对多项个人信息、多种处理活动的同意。未来，金融机构在使用客户敏感信息进行营销与风控时应格外注意获得客户的单独同意，避免合规问题。

第二，保证算法合规，算法的透明性与可解释性将成为监管重点。

算法在金融领域应用尚在发展阶段。由于金融领域强监管以及金融数据严保护的特点，算法在金融领域的应用不及非金融领域的广泛与深入，但也有一些典型场景：一是量化交易，基于大量算法的数量工具与历史数据形成交易策略，在金融市场开展自动化交易以获得超额利润。近年来，以高频交易为代表的量化交易在近年来逐渐成为市场主流，在欧美股市中尤为明显。二是信贷管理，基于个人或企业客户的历史数据与算法做出对客户按时还款行为概率的预测，形成信用评分作为发放贷款的依据。三是反洗钱监测，监管部门与金融机构应用大数据算法，对个体或者群体行为风险进行判断、预警与安全识别，提高在涉赌涉诈识别、反洗钱监测、虚假交易识别等方面的风控水平。

算法的透明性是各国人工智能运用的监管重点。欧盟在2019年发布《可信AI 伦理指南》（Ethics Guidelines for Trustworthy AI），提出人工智能监管的四大监管准则，分别是尊重人类自主权（Respect for Human Autonomy）、预先防止危害（Prevention of Harm）、保障公平（Fairness）和可解释性（Explicability）。由于算法的运行过程类似于“黑箱”，其难以对模型结果给出合理的解释，因此，对算法的可解释性要求在一定场景下，会演变为监管部门对算法的透明性要求。即人工智能的“可解释性”无法达成，但可以通过“透明性”减少信息不对称，以帮助外界了解、监督和重现人工智能学习、训练、决策、和适应环境的机制。例如，欧盟《人工智能法》草案根据风险程度的等级对人工智能进行分类，分为不可接受风险、高风险、有限风险、最小风险，并配以具体的监管措施。具体而言，对最小风险的人工智能不做干预，要求有限风险的人工智能必须实现透明公开，严格管控高风险的人工智能活动，严格禁止不可接受风险的人工智能活动。

第三，遵守科技伦理。《个人信息保护法》中第二十四条规定：“个人信息处理者利用个人信息进行自动化决策，应当保证决策的透明度和结果公平、公正，不得对个人在交易价格等交易条件上实行不合理的差别待遇。”虽然数据与算法中性，但由于运用算法的人为因素存在，算法运用的结果未必中性。其中，生成式人工智能由于其自主决策能力，甚至有可能脱离人类掌控，造成对人类不利的结果。然而，出于商业目的最大化的人工智能运用有可能对社会公众产生负面影响，典型场景如下：

一是价格歧视，以大数据“杀熟”为代表，针对消费者个性化制定价格以提高盈利空间，此前在我国部分行业的大数据运用中曾出现过相关争议。

二是信息茧房，平台使用个性化推荐算法影响用户获得信息的来源，影响用户的消费、订阅等决策，部分电商平台、文字内容平台与短视频平台等均存在这一情况。

三是放大金融市场风险与违背金融科技伦理，量化交易底层逻辑和策略的同质化在某些特定场景容易造成单向波动加剧，放大金融市场的波动风险，加剧市场恐慌。且在零和博弈的交易市场，高频交易实质上是利用科技实现对信息获取及反应速度慢群体的资源掠夺，恐违背金融科技伦理。

此前，监管部门已发布了部分金融科技伦理的监管规则，未来监管部门或将制定金融领域详细的垂直科技伦理审查规定。2022年10月9日，人民银行正式发布的《金融领域科技伦理指引》重在引导，科技部等十部门在2023年10月8日发布的《科技伦理审查办法（试行）》（国科发监〔2023〕167号，以下简称“《审查办法》”）则注重实际执行。《审查办法》明确“遵循增进人类福祉、尊重生命权利、坚持公平公正、合理控制风险、保持公开透明的科技伦理原则”，要求“高等学校、科研机构、医疗卫生机构、企业等责任主体”研究内容涉及科技伦理敏感领域的，应设立科技伦理（审查）委员会。《审查办法》同时规定了相应的审查程序，由科技部负责全国科技伦理的监督管理工作。金融机构作为人工智能应用的重点领域，应按照《审查办法》的要求，做好科技伦理审查工作。

数字人民币试点8年以来，取得较好的成果，已进入推广稳定期，2023年并未新增试点地区。截至2023年11月末，我国数字人民币试点涉及17个省市26个试点地区。2022年12月，共有四省（河北、江苏、广东、四川）的数字人民币试点由部分城市扩展至全省。

在试点数据方面，数字人民币钱包开立数量放缓，交易数据则快速增长，可能原因为数字人民币对公缴费场景的拓展。据媒体报道，诚然，数字人民币的推广存在诸多挑战，但是最重要的关卡在于数字人民币需要帮助运营体系内的各个运营机构建立稳定的盈利模式与利益分配体系，以调动各参与方的推广积极性。

2023年10月12日，人民银行原行长周小川在北京数字金融论坛的主旨发言中指出：

一方面，作为推广数字人民币的主力军，银行等金融机构需要形成明确的盈利预期。数字人民币采取中心化管理、双层运营的模式，作为指定运营机构（即2.0层机构）的商业银行负责向社会公众提供数字人民币钱包开立、数字人民币兑换和流通服务，在数字人民币的推广过程中承担重要责任。但是，在推广数字人民币的过程中，指定运营机构也需要付出较高的人力、硬件等成本，而现阶段推广数字人民币对商业银行暂难以带来充足的直接盈利，基于客户、商户交易数据的潜在收益也存在不确定性。随着我国商业银行业绩承压、数字人民币推广放缓等情况，未来监管部门或可考虑给予商业银行，尤其是指定运营机构在推广和使用数字人民币过程中的明确盈利方式和预期。

另一方面，2.5层机构生态的成熟也是数字人民币推广“最后一公里”的重要条件，需要进行利益分享。业界普遍将指定运营机构之外提供数字人民币服务的各类机构称为2.5层机构，这其中包括未能成为指定运营机构的银行、第三方支付机构、手机厂商等。支付市场的运行非常依赖于2.5层机构，以收单服务为例，不仅非指定运营机构的商业银行和非银行支付机构承担重要作用，二者还高依赖外包服务机构。支付清算协会在2023年11月7日发布《2022年度收单外包服务评级等级》134家收单机构对13000家外包机构进行了评价。数字人民币“支付及结算”的特性将简化支付清算模式，也会对收单业务造成一定影响，但如何建设2.5层机构生态仍将成为推广数字人民币的“最后一公里”。

在国际上，对于零售型央行数字货币（Central Bank Digital Currencies，CBDC）盈利模式的探讨主要集中在支付服务费（Interchange Fee）的收取。

全球大多数国家的中央银行已经表示，如果发行CBDC，其将采用分层安排，即由运营机构负责兑换CBDC并提供服务。我国数字人民币的双层运营体系便是典型。美联储在2020年8月发表论文指出加拿大央行在2023年9月撰文指出，CBDC应用的规模会影响现有支付服务费的费率制定规则，而鉴于全球各国的中央银行倾向于确保消费者低成本使用CBDC服务，支付服务费费率的设置是CBDC盈利模式的关键。CBDC需要确定系统成本如何在公共和私营部门之间分配，私营部门成本应如何在不同参与者，包括金融机构、商家和消费者之间分配（Chapman et. al.，2023）。

对于商业银行，尤其是指定运营机构来说，推广数字人民币将存在以下业务机会：

第一，收单业务增厚银行支付业务利润，不过具体利润规模取决于未来数字人民币交易手续费的厘定。如前所述，数字人民币试点转常规需要明确盈利模式，当前最可行的盈利模式之一即为收取合理适度的支付服务费。对于收单业务而言，业务规模增长来自于拓展新市场和抢占竞争对手份额这两条路径。数字人民币面临现金、银行卡与第三方支付的市场竞争，最容易突破的阵地为第三方支付机构拥有的线下收单市场。根据艾瑞咨询在2023年11月19日发布的《2023年中国第三方支付行业研究报告》按照0.6%的费率进行测算，第三方支付机构线下收单市场手续费在2023年约为5千亿元规模。考虑到周小川指出数字人民币的收费“费率可以很低”，数字人民币的线下收单可拓展市场亦将不少于千亿规模。未来，数字人民币获得支付机构线上收单与银行卡交易的市场并无技术难度，市场规模将更为巨大。

第二，拓展数字人民币相关业务，将有助于丰富银行结算性负债。引导商户对公钱包中沉淀资金流入，有助于丰富银行结算性负债，在一定程度上降低商业银行的负债成本，进而在维持合理净息差的前提下，推动融资成本逐步下行。数字人民币定位于现金类支付凭证，持有数字人民币不计息，商户对公钱包中的沉淀资金需要转入商业银行账户中才可以进一步完成储蓄、理财、投资等行为。事实上，当前已有部分银行在探索打通数字人民币钱包与活期存款账户。根据媒体报道，第三，基于数字人民币的支付业务，商业银行将可以构建丰富的金融服务生态，进而可以获得交易信息以提升商业银行的授信能力。支付业务是最基础、最广泛的金融服务，基于支付业务可以构建丰富的金融服务生态。我国第三方支付机构曾凭借在支付市场的强势地位，建立了庞大的金融服务生态，其业务广泛，曾涉及到消费信贷、中小企业授信和贷款、预付资金管理、货币基金、代销理财与保险等业务从操作意义上说，面对千千万万信息不透明的银行服务主体，为控制风险，收单所提供的信息流如同征信或尽调，应该成为所有业务开展的基础。未来，数字人民币将重构支付行业生态的机会摆在银行面前，尤其是作为指定运营机构的银行，更应该把握机遇，推广数字人民币相关支付业务，并以此为基础连接“百行千户”、“田间阡陌”，不仅可以拓展自身的业务边界，还可以通过获取交易信息的方式，提升自身对于普惠小微等各类企业的授信能力。

第四，创新智能合约应用，拓展相关盈利模式。数字人民币通过加载不影响货币功能的智能合约实现可编程性，进而可根据交易双方商定的条件、规则进行自动支付交易。2023年11月10日，数研所副所长狄刚在第五届成方金融科技论坛表示一是替商户进行资金收付管理，商户除收款外，也会涉及到进货、仓储、租金、工资发放等资金支出，利用智能合约可以方便、透明地管理商户的资金收付。二是客户的预付资金管理，采用数字人民币智能合约进行预付资金管理，当消费者向商户预付资金时，运营机构可为每一位消费者创建一个加载智能合约的数字钱包，一方面将合同条款写入智能合约，商户不能随意划转消费者预付的资金；另一方面，在实际消费之前，预付资金仍然归消费者所有，即使商户破产清算，也能保护消费者资金安全三是针对商户设计自动储蓄、投资产品，如前所述，部分银行此前已探索数字人民币自动转为活期存款应当指出的是，智能合约在数字人民币上的应用空间巨大，未来可能诞生更多的应用创新，商业银行大有可为。例如，将数字人民币的智能合约用于供应链金融，可以解决限定融资企业的资金用途等。

第五，数字人民币与碳账户的结合。我们此前在9月17日发布的报告《数字人民币与碳账户融合发展意义重大》数字人民币与碳账户结合的机制主要在与依靠数字人民币付即结算、信息流与资金流统一、可编程等特性，在记录账户间货币流动情况的同时，对货币流动对应的经济活动产生的碳信息流转情况也进行记录，实现碳足迹的追踪。由此，通过数字人民币与碳账户的融合将实现“绿色金融”与“数字金融”两篇大文章的有机结合创新。

本文转载自今日头条，头条号：“兴业研究”。内容仅代表作者本人观点，不代表千讯咨询的立场。本站只提供参考并不构成任何投资及应用建议。（若存在内容、版权或其它问题，请联系：qx@qx365.com）

    以上就是本篇文章【数字金融大文章如何谱写？——2024年数字金融展望】的全部内容了，欢迎阅览 ！ 文章地址：http://sicmodule.glev.cn/news/12026.html 
     资讯      企业新闻      行情      企业黄页      同类资讯      首页      网站地图      返回首页 歌乐夫资讯移动站 http://sicmodule.glev.cn/mobile/ , 查看更多